[發(fā)明專利]基于小樣本的數(shù)據(jù)增強及神經網絡對抗訓練方法

在審

• 申請?zhí)枺?/td>: 201911240414.0
• 申請日: 2019-12-06
• 公開（公告）號: CN111126458A
• 公開（公告）日: 2020-05-08
• 發(fā)明（設計）人: 王礎;范國超;郝創(chuàng)博;王佳佳;王東豪;劉玉蓉
• 申請（專利權）人: 北京京航計算通訊研究所
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 中國兵器工業(yè)集團公司專利中心 11011
• 代理人: 周恒

本發(fā)明屬于車輛缺陷等級評估技術領域，具體涉及一種基于小樣本的數(shù)據(jù)增強及神經網絡對抗訓練方法。本發(fā)明改進了基于生成模型數(shù)據(jù)增強的車輛損傷和缺陷等級神經網絡評估模型小樣本條件優(yōu)化方法。基于傳統(tǒng)生成模型數(shù)據(jù)增強方法與神經網絡評估模型結構的相容性不足，因此增強數(shù)據(jù)對神經網絡評估模型的性能優(yōu)化作用有限。本發(fā)明提出結合神經網絡評估模型結構特征的數(shù)據(jù)增強方法和神經網絡評估模型基于增強數(shù)據(jù)的對抗訓練方法，解決神經網絡評估模型在小樣本條件下模型結構性能退化的問題，提升了神經網絡評估模型的性能。

技術領域

本發(fā)明屬于車輛缺陷等級評估技術領域，具體涉及一種基于小樣本的數(shù)據(jù)增強及神經網絡對抗訓練方法。

背景技術

車輛部件的性能與可靠性與溫度、濕度、光照等環(huán)境因素密切相關。評估環(huán)境對車輛部件損傷和性能退化的影響對面向不同地區(qū)的車輛設計與制造參數(shù)的優(yōu)化具有重要的指導作用。在給定環(huán)境因素中，評估車輛部件損傷和缺陷等級是評估環(huán)境對車輛影響的重要內容和環(huán)節(jié)。由于車輛部件損傷和缺陷是相關影響因素長期作用所形成的，因此試驗采集的部件損傷和缺陷數(shù)據(jù)面臨數(shù)據(jù)量少、成本高的問題。另一方面，基于神經網絡的車輛部件損傷和缺陷等級評估模型具有高性能的前提是需要大量的損傷和缺陷數(shù)據(jù)進行訓練。當車輛部件損傷和缺陷的數(shù)據(jù)量小(滿足小樣本條件)時，基于神經網絡的部件損傷和缺陷評估模型的性能受到限制。

神經網絡評估模型在小樣本條件中的優(yōu)化方法取得了飛速發(fā)展，通用神經網絡評估模型在車輛部件損傷和缺陷等級評估領域取得了更加廣泛和深入的應用。目前，神經網絡評估模型在小樣本條件中的優(yōu)化方法以融合先驗知識等學習為基本原理，主要基于數(shù)據(jù)增強、遷移學習、元學習、度量學習等優(yōu)化策略。在元學習中，一些優(yōu)化方法利用基于記憶的神經網絡模型進行記憶增強，從而實現(xiàn)對已有知識的存儲，利用知識記憶模型提升原有神經網絡評估模型在小樣本條件下的性能。在遷移學習中，一些評估方法將不同環(huán)境場景中采集的數(shù)據(jù)特征映射到公共空間，實現(xiàn)在單一場景采集少量數(shù)據(jù)的條件下訓練神經網絡評估模型。元學習基于已有的評估任務學習經驗和信息，將已有的經驗和信息融合到源評估模型中，從而在目標任務中通過源評估模型中存儲的信息和知識，提升目標評估任務中的神經網絡評估模型性能。度量學習通過構造數(shù)據(jù)特征空間和數(shù)據(jù)相似度的度量函數(shù)，利用特征相似的數(shù)據(jù)進行遷移訓練，實現(xiàn)神經網絡評估模型在小樣本條件的性能。基于數(shù)據(jù)增強的神經網絡評估模型優(yōu)化方法利用數(shù)據(jù)增強方法和面向增強數(shù)據(jù)的模型訓練方法，進一步提升評估模型的性能。

迄今為止，基于數(shù)據(jù)增強的神經網絡評估模型優(yōu)化方法在數(shù)據(jù)增強和模型訓練準則的性能方面無法滿足實際應用領域的需求。基于人工準則的數(shù)據(jù)增強方法雖然融合先驗知識和數(shù)據(jù)結構信息，但是由于人工準則與神經網絡評估模型結構的相容性具有不確定性，所以增強數(shù)據(jù)對神經網絡評估模型性能優(yōu)化效果受到限制。基于深度生成模型的數(shù)據(jù)增強方法利用變分自編碼器(VAE)與對抗生成網絡(GAN)等深度生成模型生成數(shù)據(jù)對車輛損傷和缺陷數(shù)據(jù)集進行數(shù)據(jù)增強。但是VAE和GAN模型缺乏可解釋性，因此生成的車輛損傷和缺陷數(shù)據(jù)與神經網絡評估模型缺乏關聯(lián)，對神經網絡評估模型的性能具有不確定性。

發(fā)明內容

(一)要解決的技術問題

本發(fā)明要解決的技術問題是如何提供一種基于小樣本的數(shù)據(jù)增強及神經網絡對抗訓練方法。

(二)技術方案

為解決上述技術問題，本發(fā)明提供一種基于小樣本的數(shù)據(jù)增強及神經網絡對抗訓練方法，所述方法包括：

步驟1：將數(shù)據(jù)集平均分解成t份，具體形式如下：